Mean Gain Is Not a Guarantee: Risk-Controlled Open-Loop Scheduling for Ka-Band LEO Semantic Downlinks

Resumen Técnico: Programación de Bucle Abierto con Control de Riesgo para Enlaces Descendentes Semánticos en Banda Ka para LEO

Declaración del Problema
Los satélites de órbita terrestre baja (LEO) enfrentan restricciones severas para el enlace descendente de imágenes, operando dentro de presupuestos de potencia limitados y ventanas de contacto cortas. Aunque las estrategias de programación adaptativas que asignan más potencia a condiciones de canal favorables (basadas en estadísticas meteorológicas) teóricamente aumentan el número de imágenes entregadas, dependen de una planificación de bucle abierto debido a la latencia y la movilidad de los LEO, lo que hace que la Información del Estado del Canal (CSI) sea obsoleta.

El problema central identificado es que las métricas de programación convencionales se centran en la ganancia promedio sobre una referencia no adaptativa (potencia uniforme). El autor argumenta que esta métrica es engañosa para los operadores que solo tienen un intento por paso. Un programador podría mostrar una ganancia promedio positiva y, sin embargo, fallar en la entrega de más imágenes que la potencia uniforme en una minoría significativa de los pasos individuales (un evento de "retroceso" o backfire). Además, incluso un "genio" con conocimiento perfecto de la trayectoria del clima no puede eliminar este riesgo si el códec semántico subyacente tiene una curva de respuesta "poco profunda" donde los intervalos diferidos resultan en un fallo seguro.

Metodología
El artículo propone un marco de programación de bucle abierto con control de riesgo que desplaza el objetivo de diseño de la maximización de la ganancia promedio hacia la garantía de un límite en la probabilidad de tener un rendimiento inferior a la potencia uniforme.

1. Modelo del Sistema:

   • Canal: Un paso de banda Ka de LEO se modela con componentes geométricos deterministas (elevación, pérdida de trayectoria) y un componente meteorológico estocástico (atenuación por lluvia) sintetizado mediante ITU-R P.1853 y un modelo de estrés de Gauss-Markov.
   • Códecs: Se evalúan tres códecs semánticos sobre la misma representación latente:
     • Receptor Aprendido: Un receptor basado en un autoencoder variacional con pasos de refinamiento condicionados a la SNR estimada y la lluvia. Exhibe una respuesta "poco profunda" donde la calidad se degrada gradualmente pero rara vez alcanza un "abismo" absoluto.
     • Escalera ACM: Un esquema de Codificación y Modulación Adaptativa con múltiples pasos discretos (respuesta en forma de escalera).
     • Códec de Abismo (Cliff Codec): Un sistema de tasa única con un código ideal que alcanza la capacidad y falla completamente si no se cumple la tasa (respuesta de tipo escalón).
   • Programador: Un programador de bucle abierto selecciona un subconjunto de intervalos de tiempo para transmitir basándose en un margen de lluvia predicho $m_t(s) = \mu(\epsilon_t) + s\sigma(\epsilon_t)$, donde $s$ es un multiplicador. La potencia se asigna inversamente a la ganancia predicha.

2. Objetivos de Calibración:

   • Objetivo Convencional (Fiabilidad del Pronóstico): Dimensionar el margen $s$ de modo que el pronóstico cubra la lluvia real para un alto porcentaje de intervalos (por ejemplo, 95%). El autor muestra que esto no es la restricción vinculante para el rendimiento del sistema.
   • Objetivo Propuesto (Riesgo de Decisión): Dimensionar el margen para controlar la tasa de déficit por paso. La función de pérdida se define como $L_s(P) = \mathbb{I}[D_u(P) - D_s(P) > c]$, donde $D$ es el número de imágenes entregadas, $u$ es la potencia uniforme, $s$ es la potencia programada y $c$ es un umbral (establecido en 1 imagen). El objetivo es asegurar que la probabilidad de que este déficit ocurra sea inferior a un presupuesto de riesgo $\epsilon$ especificado por el usuario.

3. Mecanismo de Control de Riesgo:
   El artículo emplea el procedimiento Aprender-luego-Probar (Learn-then-Test), una forma de control de riesgo conformal.

   • Los candidatos (multiplicadores de margen $s$) se ordenan según su rendimiento estimado en una división de diseño.
   • Cada candidato se prueba contra una hipótesis nula $H_s: R(s) > \epsilon$ (donde $R(s)$ es el riesgo real) utilizando una prueba binomial exacta en un conjunto de calibración.
   • La prueba se detiene en el primer no-rechazo. Esto garantiza que, con alta confianza, el programa seleccionado no tendrá un rendimiento inferior a la potencia uniforme por más de $c$ imágenes en más de una fracción $\epsilon$ de los futuros pasos.

Resultados Clave
Los experimentos se realizaron utilizando imágenes EuroSAT RGB y 800 pasos de calibración/evaluación.

• Ganancia Promedio vs. Riesgo por Paso: Para el receptor aprendido, el mejor margen mejoró el número medio de imágenes entregadas en 0.83 a 1.69 imágenes por paso. Sin embargo, esta ganancia positiva coexistió con una tasa de déficit de 0.260 a 0.316 para el mejor margen (con un déficit mínimo de 0.250 en todo el barrido), lo que significa que el programador funcionó peor que la potencia uniforme en el 26–32% de los pasos.
• El Límite del "Genio": Un programador con conocimiento perfecto de la trayectoria de la lluvia (genie-CSI) también falló en 0.314 de los pasos. Esto demuestra que el riesgo es inherente a la respuesta poco profunda del códec y a la naturaleza de bucle abierto del problema, no simplemente a la falta de retroalimentación.
• Dependencia del Códec:
  • El Receptor Aprendido no pudo ser certificado con un presupuesto de riesgo estricto ($\epsilon = 0.10$); el procedimiento devolvió correctamente la "potencia uniforme" como la única opción segura.
  • La Escalera ACM (a +8 dB) certificó con éxito 6 de 19 candidatos, logrando una tasa de déficit medida de 0.060 (dentro del presupuesto) mientras entregaba aproximadamente 7.33 imágenes más en promedio.
  • El Códec de Abismo certificó todos los candidatos pero ofreció una garantía vacua porque su línea base uniforme era cero (nunca entregaba nada sin programación).
• Intercambio de Presupuesto de Riesgo: El artículo cuantifica la relación entre la tolerancia al riesgo del operador ($\epsilon$) y el número de candidatos programables. Para el receptor aprendido, la certificación solo fue posible con un presupuesto de riesgo alto ($\epsilon \approx 0.35$), mientras que la escalera ACM fue certificable con $\epsilon = 0.10$.

Significancia y Reivindicaciones
El artículo sostiene que para los enlaces descendentes semánticos de LEO, la ganancia promedio es una métrica insuficiente para las decisiones de programación. Un programador que mejora el promedio aún puede ser perjudicial para una minoría significativa de los pasos, un riesgo que el conocimiento perfecto del canal no puede mitigar si la respuesta del códec es demasiado poco profunda.

La contribcción principal es un procedimiento de programación certificado que:

1. Reemplaza el objetivo convencional de "pronóstico meteorológico fiable" por una garantía directa sobre el riesgo de la decisión de programación.
2. Utiliza Aprender-luego-Probar para proporcionar una garantía estadística de que el programador no tendrá un retroceso más de la frecuencia especificada.
3. Demuestra que este procedimiento actúa como un filtro: rechaza programar códecs aprendidos con respuestas poco profundas (recomendando la potencia uniforme en su lugar) pero certifica la programación para códecs con curvas de respuesta más nítidas (como las escaleras ACM).

El autor concluye que los operadores pueden usar este marco para establecer una tasa de retroceso tolerable y determinar, basándose en datos históricos, si la programación es una estrategia viable para su códec y condiciones de canal específicos, en lugar de confiar ciegamente en las ganancias de rendimiento promedio.